Repositori Institusi · Akses Terbuka

Temukan karya ilmiah Universitas Kuningan dalam hitungan detik.

4.870 skripsi, tesis, dan publikasi terarsip rapi — cari berdasarkan judul, penulis, subjek, atau fakultas.

4.870item terarsip
6 fakultaspenyumbang koleksi
24 jamakses publik, gratis

Tentang Repositori

Repositori Universitas Kuningan merupakan layanan arsip online yang dikelola oleh perpustakaan Universitas Kuningan. Dengan menggunakan EPrints sebagai repositori, website ini didirikan untuk mengumpulkan, mengelola, menyimpan, melestarikan dan menyebarluaskan salinan digital hasil intelektual Universitas Kuningan. Tujuan utama dari repositori ini adalah untuk menyediakan dokumen jangka panjang, akses terbuka dan dengan mudah mengambil koleksi digital untuk mendukung proses belajar-mengajar. Dengan adanya repositori ini, diharapkan hasil karya warga kampus UNIKU dapat diakses secara luas.

Panduan Penggunaan

Baru pertama kali memakai RAMA? Unduh petunjuk unggah mandiri, atau baca panduan penggunaan lengkap di bawah ini.

Petunjuk Unggah Mandiri →

Bantuan EPrints →

Zahid, Naufal (2026) IMPLEMENTASI CRM UNTUK MENGANALISIS PARTNER CONTRIBUTION DI BISNIS EVENT ORGANIZER DENGAN PEMANFAATAN DATA MINING BERBASIS WEB (Studi Kasus : Event Organizer Evita Nada). S1 / D3 thesis, Universitas Kuningan.

[thumbnail of ABSTRAK] Text (ABSTRAK)
ABSTRAK.pdf

Download (1MB)
[thumbnail of BAB I] Text (BAB I)
BAB I.pdf

Download (270kB)
[thumbnail of BAB II] Text (BAB II)
BAB II.pdf
Restricted to Repository staff only

Download (813kB) | Request a copy
[thumbnail of BAB III] Text (BAB III)
BAB III.pdf
Restricted to Repository staff only

Download (2MB) | Request a copy
[thumbnail of BAB IV] Text (BAB IV)
BAB IV.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy
[thumbnail of BAB V] Text (BAB V)
BAB V.pdf

Download (202kB)
[thumbnail of DAFTAR PUSTAKA] Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf

Download (195kB)
[thumbnail of LAMPIRAN] Text (LAMPIRAN)
LAMPIRAN.pdf
Restricted to Repository staff only

Download (7MB) | Request a copy
Official URL: https://rama.uniku.ac.id

Abstract

Event Organizer Evita Nada menghadapi tantangan dalam mengidentifikasi kontribusi partner terhadap bisnis. Penelitian ini bertujuan mengimplementasikan Customer Relationship Management (CRM) dan teknik data mining untuk menganalisis kontribusi partner secara akurat. Metode yang digunakan adalah model LRFM (Length, Recency, Frequency, Monetary) yang diproses menggunakan algoritma K-Means Clustering dengan bantuan Python melalui Jupyter Notebook. Hasil penelitian menunjukkan jumlah klaster optimal sebanyak empat klaster dengan nilai Silhouette Score 0,7342 dan Davies-Bouldin Index (DBI) 0,3308 yang mengindikasikan kualitas klaster sangat baik. Partner di kelompokkan ke dalam empat segmen, yaitu Klaster 1 (Lost Partner: Uncertain Lost Partner), Klaster 2 (Core Partner: Including High Value Loyal), Klaster 3 (New Partner: Uncertain New Partner), dan Klaster 4 (Lost Partner: Uncertain Lost Partner). Meskipun Klaster 1 dan Klaster 4 berada pada kategori yang sama, keduanya dibedakan berdasarkan nilai Recency, dengan Klaster 4 memiliki durasi ketidakhadiran transaksi lebih lama dibandingkan Klaster 1. Hasil segmentasi diintegrasikan ke dalam sistem informasi berbasis web menggunakan HTML, CSS, JavaScript, PHP, dan MySQL. Implementasi LRFM dan K-Means membantu perusahaan mengidentifikasi karakteristik partner, mendukung pengambilan keputusan pemasaran, serta meningkatkan pengelolaan data, pemantauan loyalitas,
dan strategi kolaborasi jangka panjang.
Kata Kunci : K-Means Clustering, LRFM, Customer Relationship Management, Website, Python, Silhouette Score.

Evita Nada Event Organizer faces challenges in identifying the contribution of its partners to the business. This study aims to implement Customer Relationship Management (CRM) and data mining techniques to analyze partner contributions accurately. The method employed is the LRFM (Length, Recency, Frequency, Monetary) model processed using the K-Means Clustering algorithm with Python through Jupyter Notebook. The results indicate that the optimal number of clusters is four, with a Silhouette Score of 0.7342 and a Davies-Bouldin Index (DBI) of 0.3308, indicating a very good clustering structure. The partners were classified
into four segments: Cluster 1 (Lost Partner: Uncertain Lost Partner), Cluster 2 (Core Partner: Including High Value Loyal), Cluster 3 (New Partner: Uncertain New Partner), and Cluster 4 (Lost Partner: Uncertain Lost Partner). Although Clusters 1 and 4 belong to the same category, they are distinguished by their Recency values, with Cluster 4 showing a longer period without transactions than Cluster 1. The segmentation results were integrated into a web-based information system developed using HTML, CSS, JavaScript, PHP, and MySQL. The implementation of the LRFM model and K-Means algorithm helps the company identify partner characteristics, supports marketing decision-making, and improves data management, partner loyalty monitoring, and long-term collaboration strategies.
Keywords: K-Means Clustering, LRFM, Customer Relationship Management,
Website, Python, Silhouette Score.

Item Type: Thesis (S1 / D3)
Uncontrolled Keywords: K-Means Clustering, LRFM, Customer Relationship Management, Website, Python, Silhouette Score.
Subjects: H Social Sciences > HF Commerce
Q Science > QA Mathematics > QA75 Electronic computers. Computer science
T Technology > T Technology (General)
Divisions: Fakultas Ilmu Komputer > S1 Sistem Informasi
Depositing User: S.Kom Naufal Zahid
Date Deposited: 06 Aug 2026 08:43
Last Modified: 06 Aug 2026 08:43
URI: https://rama.uniku.ac.id/id/eprint/6137

Actions (login required)

View Item
View Item